Article Per Year (5 Year)
p-Index From 2019 - 2024
0
P-Index
This Author published in this journals
All Journal CCIT (Creative Communication and Innovative Technology) Journal
Sri Huning A
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN UNTUK PRAKIRAAN TINGGI MUKA AIR HARIAN SUNGAI BENGAWAN SOLO STASIUN JURUG Mina Pusporani; Palgunadi Palgunadi; Sri Huning A
CCIT Journal Vol 2 No 1 (2008): CCIT JOURNAL
Publisher : Universitas Raharja

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (786.471 KB)

Abstract

Bengawan Solo mempunyai Daerah Aliran Sungai (DAS) seluas 16.100 km2- merupakan sungai yang terpanjang di Pulau Jawa sehingga membutuhkan suatu sistem pengelolaan yang baik. Manajemen sungai merupakan salah satu bidang hidrologi operasional yang cukup menantang. Prakiraan aliran sungai dibutuhkan sebagai informasi dasar pada berbagai masalah yang berhubungan dengan desain dan operasi sistem-sistem sungai. Jaringan syaraf tiruan (JST) telah dikenal dengan kemampuannya dalam mengidentifikasi fungsi-fungsi non-linear, antara lain proses hidrologi. Dalam penelitian ini, model jaringan backpropagation digunakan untuk memprakirakan tinggi muka air (tma) harian Sungai Bengawan Solo stasiun Jurug. Data tinggi muka air harian dan curah hujan harian digunakan sebagai data pelatihan dan pengujian. Untuk menguji performa jaringan, dalam penelitian dibuat tiga model JST. Ketiga model JST – BP1, BP2, dan BP3 – merupakan multilayer perceptron dengan satu hidden layer. BP1 memiliki input berupa tma (m) dan curah hujan (mm) empat hari sebelum prakiraan dan output berupa prakiraan tma. BP2 dengan input dan output yang sama hanya berbeda dalam satuan – tma (dm) dan curah hujan (cm). BP3 dengan input berupa selisih tma (dm) dan curah hujan (cm) serta output berupa prakiraan selisih tma. Ketiga model dilatih menggunakan algoritma Levenberg-Marquardt dan jumlah hidden neuron yang beragam [3..10]. Nilai mse dan korelasi setiap jaringan dibandingkan untuk mendapatkan model dan parameter jaringan yang optimal. Dari hasil penelitian didapat kesimpulan bahwa model jaringan yang paling optimal dalam kasus ini adalah model BP3 dengan satu hidden layer dan empat hidden neuron karena menghasilkan nilai error terkecil dibandingkan dengan model yang lain.
Co-Authors Mina Pusporani Palgunadi Palgunadi